2026 Data+AI 半年回顾：企业领导者，敢让智能体处理真实业务吗？| 直播预告

随着智能体逐渐深入企业核心流程，迈向智能体驱动企业的关键问题愈发凸显：一家公司特有的业务概念、关联与规则，如何被智能体精确理解，并进一步转化为可信、可追溯的判断与行动依据？

8 月 4 日 19:00，Snowflake 与 InfoQ 联合举办「2026 Data+AI 半年回顾」直播。Snowflake 亚太区解决方案工程总裁杨扬、Snowflake 全球 AI 技术战略架构负责人贾天下、数势科技创始人兼 CEO 黎科峰，以及白鲸开源创始人兼 CEO、Snowflake 雪花大使郭炜，将从 2026 上半年 Data+AI 的关键转变出发，共同探讨本体论与企业级智能体的落地实践。

作为本次直播的特邀嘉宾，贾天下也将在直播中带来《Snowflake 本体架构如何打通数据、语义与 AI 推理》主题分享。在直播开始前，我们特别编译了其英文博客 Ontology-grounded Reasoning with Cortex Agents。

以下为贾天下博客的中文译文，在不改变原意的基础上整理。直播海报及预约二维码见文末。

Snowflake 正持续投入，让 AI 智能体能够更轻松地原生理解并推理业务概念及其关系。

本文展示了已经拥有本体的团队在当下可以实现哪些能力。许多行业都维护着正式本体，为基于表、列和连接关系所表达的语义推理补充一层领域专属推理能力。这有助于 AI 智能体理解层级关系、同义词，以及仅靠语义层未必能够完整捕获的领域概念。

我们使用一个高度简化的生物医学数据集，将基于 Semantic View 的 Cortex Agent 基线方案，与基于知识图谱、GraphRAG 和针对性术语映射的本体感知方案进行了比较。本次基准测试结果表明，在所评估的条件下，更充分的结构化知识锚定有望提升准确性与可靠性；同时，这也为需要构建更精准、可解释、更可信的企业级 AI 智能体的团队提供了一套可落地的参考框架。

企业数据中充满了从未在数据库模式中被显式呈现的含义。这些内在的领域知识必须被捕获，才能为可靠的智能体系统提供支撑。

在各个行业，组织都会维护正式本体、分类体系和受控词表，用于编码类层级、类型化关系、约束条件和规范标识符。在医疗与生命科学领域，这类资源包括 SNOMED CT、UMLS、Gene Ontology（基因本体）和 Cell Ontology（细胞本体）；在供应链与零售领域，GS1 等标准定义了产品与包装语义；在金融服务领域，FIBO 为金融工具、实体和监管分类提供共享模型。这些行业资产通常以 OWL、RDF 或 SKOS 等表示格式发布，往往包含数千个概念、丰富的同义词集合，以及数以万计的层级边和关联边。然而，大多数企业 AI 与分析系统仍主要运行在关系抽象之上，也就是表、列、键和连接，并不能原生访问定义概念继承、传递关系、等价映射或领域约束的知识层。由此，组织对真实世界含义的建模方式，与 AI 系统检索和推理业务数据的方式之间，可能存在一道鸿沟。

例如，供应链分析师提出“显示所有电子元器件的总支出”时，“电子元器件”位于一个分类体系的顶端，其下包括电容器、电阻器、集成电路以及数十个子类别。又如，生物医学研究者提出“显示 PD-1 抑制剂在上皮